auto.arima không nhận ra mô hình theo mùa

Tôi có một bộ dữ liệu thời tiết hàng ngày, không có gì đáng ngạc nhiên, ảnh hưởng theo mùa rất mạnh.

Tôi đã điều chỉnh mô hình ARIMA cho tập dữ liệu này bằng hàm auto.arima từ gói dự báo. Thật ngạc nhiên, chức năng này không áp dụng bất kỳ hoạt động theo mùa nào - sự khác biệt theo mùa, thành phần ar hoặc ma theo mùa. Đây là mô hình mà nó ước tính:

library(forecast)
data<-ts(data,frequency=365)
auto.arima(Berlin)

Series: data
ARIMA(3,0,1) with non-zero mean 

Coefficients:
         ar1      ar2     ar3      ma1  intercept
      1.7722  -0.9166  0.1412  -0.8487   283.0378
s.e.  0.0260   0.0326  0.0177   0.0214     1.7990

sigma^2 estimated as 5.56:  log likelihood=-8313.74
AIC=16639.49   AICc=16639.51   BIC=16676.7

Và cũng là dự báo sử dụng mô hình này không thực sự thỏa mãn. Dưới đây là cốt truyện của dự báo:

Bất cứ ai có thể cho tôi một gợi ý những gì sai ở đây?

R sẽ không phù hợp với mô hình ARIMA có tính thời vụ lớn hơn 350. Xem http://robjhyndman.com/hyndsight/longsoryality/ để thảo luận về vấn đề này. Giải pháp là sử dụng thuật ngữ Fourier cho tính thời vụ và lỗi ARMA cho động lực học ngắn hạn.

Giải pháp cho vấn đề của bạn là như Rob chỉ ra là kết hợp các hiệu ứng xác định (tuần trong năm) và hiệu ứng ngẫu nhiên (cấu trúc ARIMA) trong khi cách ly những ngày bất thường và phát hiện sự hiện diện có thể của một hoặc nhiều thay đổi cấp độ và / hoặc một hoặc nhiều địa phương xu hướng thời gian. AUTOBOX, phần mềm được sử dụng để phân tích một phần do tôi phát triển để tự động cung cấp mô hình hóa mạnh mẽ cho các bộ dữ liệu như thế này.

Tôi đã đặt dữ liệu của bạn tại http://www.autobox.com/weather/weather.txt .

Acf của dữ liệu gốc sẽ dẫn đến lựa chọn mô hình tự động của biểu mẫu . Số liệu thống kê mô hình với một biểu đồ còn lại của Biểu đồ dự báo trong 60 ngày tiếp theo được trình bày ở đây Biểu đồ thực tế / phù hợp / dự báo được hiển thị ở đây.

Thật thú vị khi những người khác làm theo lời khuyên của Giáo sư Hyndaman và báo cáo mô hình cuối cùng của họ với các kiểm tra chẩn đoán liên quan đến chẩn đoán dư và các xét nghiệm tham số có ý nghĩa.

Cá nhân tôi không thoải mái với đề xuất về việc thực hiện phân tích phạm vi đầu tiên (có thể / có thể bị ảnh hưởng bởi sự bất thường) và sau đó thực hiện ARIMA trên phần dư là không thể chấp nhận được vì đây không phải là giải pháp đồng thời dẫn đến 1 phương trình mà là một trình tự giả định. Phương trình của tôi sử dụng hàng tuần và cũng bao gồm AR (1) và biện pháp khắc phục cho các điểm dữ liệu bất thường.

Tất cả các phần mềm đều có những hạn chế và thật tốt khi biết chúng. Một lần nữa tôi nhắc lại lý do tại sao không ai đó cố gắng thực hiện các đề xuất của Rob và hiển thị kết quả hoàn chỉnh.